标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 LLM智能体 世界模型 视觉语言模型 GRPO 多模态大模型 知识蒸馏 基准评测 具身智能 流匹配 机器人操作 多智能体系统 智能体 LLM Agent 可解释性 图像生成 代码生成 多模态学习 检索增强生成 注意力机制 RLVR 后训练 视频理解 机器人学习 长上下文 多模态 数学推理 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 高效推理 评测基准 自监督学习 工具调用 对比学习 扩散语言模型 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA 持续学习 LLM评估 自蒸馏 多模态推理 RAG 模仿学习 综述 LLM推理 信息检索 信用分配 在线策略蒸馏 模型压缩 合成数据
找到 1234 条结果
相关性 | 日期

Urbex：面向城市级三维场景的智能体式空间定位

👍 117

把城市级3D定位从候选排序重构为VLM智能体的主动空间搜索，用强化学习学会看哪里、何时答

Yu Wang, Rui Dai, Wei Chen, Yi Wang, Bo Dang, Kaikui Liu, Xiangxiang Chu, Yansheng Li 2026-10-14
3D视觉定位 GRPO VLM智能体 城市级场景理解 工具调用
✅ 已总结
详情 →

TPPO：面向语言模型推理的追踪价值 PPO

👍 79

用 log-odds 累积参数化重构 PPO 评论家，显式建模价值演化，推理提升 7-10 分

Futing Wang, Chenxi Li, Jianhao Yan, Yun Luo, Zhi Wang, Yizhuo Li, Runzhe... 2026-10-14
LLM推理 PPO 价值函数 信用分配 强化学习
✅ 已总结
详情 →

Vela：以用户行为为监督点燃大模型智能

👍 76

把10万用户真实行为变成训练信号，35B模型用户理解与通用能力双提升

Yang Xiao, Yusong Sun, Haoyi Wu, Wenyang Hui, Weiqiang Hang, Luqing Wang,... 2026-10-14
个性化 合成数据 后训练 强化学习 用户行为建模
✅ 已总结
详情 →

Tev：以密集进度奖励扩展长程智能体环境

👍 46

先构建已知正确的潜在世界再反向渲染任务，用进度势函数把稀疏终端奖励变成每步密集奖励

Wenbo Hu, Shraman Pramanick, Krishna Kumar Singh, Nanyun Peng, Kai-Wei... 2026-10-14
GRPO 奖励塑形 强化学习 数据合成 智能体训练环境
✅ 已总结
详情 →

Agent-Reflex：教会语言智能体反思性行动

👍 37

从真实工具失败中挖掘反思元技能，经三阶段训练内化，让8B智能体在噪声环境下主动反思与恢复。

Guanting Dong, Xinyu Yang, Jiajie Jin, Yuyang Hu, Xiaoshuai Song, Yifei... 2026-10-14
LLM智能体 反思学习 噪声鲁棒性 在策略蒸馏 工具使用
✅ 已总结
详情 →

ReTerm：自改进终端智能体的错误恢复训练

👍 16

让终端智能体从自身失败轨迹学习恢复，SFT冷启动加在线RL实现自我改进。

Wei Xie, Kaituo Feng, Shiming Fu, Yong Liu, Xiangyu Yue, Shuangjia Zheng 2026-10-14
GRPO 强化学习 恢复训练 终端智能体 自我纠错
✅ 已总结
详情 →

AutoEnvScaling：用终端智能体自动化数据飞轮

👍 13

把RL环境设计变成终端任务，让智能体自建训练环境、实现递归自我提升

Simon Yu, Baolin Peng, Bo Liu, Zhengyan Shi, Zhaoyang Wang, Hao Cheng,... 2026-10-14
强化学习 环境生成 终端智能体 课程学习 递归自我提升
✅ 已总结
详情 →